李嘉雨，张 昕，张宇涛

(1.清华大学建筑学院，北京 100084；2.广东三雄极光照明股份有限公司，广东 广州 511495)

我国普通超市与大型超市的照明现状与能耗预测模型

李嘉雨1，张 昕1，张宇涛2

(1.清华大学建筑学院，北京 100084；2.广东三雄极光照明股份有限公司，广东 广州 511495)

中国的普通超市和大型超市的照明能耗在其建筑能源消耗中占比第一。普通超市和大型超市的照明特征存在共性与差异。本文通过对二者照明现状、能耗预测模型的研究，为有效提高普通超市和大型超市照明质量，降低能耗，提升消费者感受提供数据支持。

照明功率密度；单位面积照明造价；开敞空间照度；典型货架位置照度；照明能耗；预测模型

引言

超级市场[1-2]即supermarket，从其产生的角度来定义，指一种以经营食品和日用品为主要范围的零售业态形式，其特点是顾客在依次开架摆放的货架之中自行选购，选购完成之后再在统一的结账柜台进行付钱。其业务流形式可概括为“货架陈列自行选购，集中采运最终结款”。

根据《零售学》中提到的中国标准，普通超市(即中小型超市)和大型超市的主要特征区别如表1所示。

据国家统计局《中国统计年鉴2013》中的数据显示，我国零售业总投资金额达到了5 440亿元人民币。2008年连锁超市占全国零售业规模27%，业界中限额以上企业的总销售值接近4 800亿元人民币，并在近年内以20%的年均复合率发展。2009年，中国连锁经营协会(CCFA)调查了部分知名连锁销售企业的建筑能耗和各分项能耗，发现在大型超市的分项耗能中，照明能耗占29.5%，位列第一，其次分别是空调能耗28.1%、冷冻能耗19.9%、主食厨房能耗8.9%、电梯能耗5.5%。因此，研究超市的照明能耗对于节约能源、减少碳排放具有重要意义。除物质需要外，顾客在逛超市时，精神享受也很重要。因此，确保照明质量，创造良好的视觉环境和商业氛围，同样重要。

表1 普通超市与大型超市主要特征区别

国内近年关于超市照明的研究主要分为两类，一类着重从消费者的主观评价和视觉效果上研究，如：张丙合[3]等关注人在超市空间中的体验，针对不同超市区域做了理想化的光环境设计；刘雪娇[4]通过市场调研，分析超市照明环境和消费者行为的关系。另一类偏重节能和光学实验数据，如杨群标[5]、郑仕群[6]等研究如何选择节能灯具，并通过实验研究如何通过合理布置灯具实现节能。

本研究基于对全国29个地级市内160家普通超市和85家大型超市的照明数据采集与分析，探讨普通超市和大型超市的照明与能耗特征。通过对能耗预测模型的研究，分析能耗、造价、照度水平间的关系，为超市照明节能路线图的制定奠定基础。

1 研究方法

1.1 数据采集

相关数据源的调研时间为2013年，调研的基本内容如表2所示。

表2中几项关键数据解释如下：

1)开敞空间水平照度。开敞空间指在一个标准柱网单元内无货架、柜台等遮挡的空间。开敞空间水平照度为每家店三处开敞空间水平照度平均值的平均值(不按面积加权)。

2)典型货架照度。选取具有代表性的货架，测量货架之间通道的水平照度，并计算水平照度平均值和均匀度，取3处货架通道的平均值作为该店典型货架位置水平照度和水平照度均匀度；以上通道处货架实测低(0.2 m)、中(1.0 m)、高(2.0 m)三个位置的垂直照度，并分别计算垂直照度平均值和均匀度，取3处货架通道的平均值作为该店典型货架位置垂直照度和垂直照度均匀度。

表2 调研内容与调研方法

3)主观问卷调查。主观评价采用问卷调查法，每个专卖店随机委派三个照明从业人员作为评价人，并且各专卖店的评价人不重复。在不知道实测数据的前提下，评价人走遍专卖店，填写调查问卷得到主观评价数据。

表3所示为调研数据的地域分布。普通超市样本取自22个城市，其中华北占比9.38%，西北占比20.62%，华东占比40.62%,西南占比29.38%；大型超市样本取自29个城市，华北占比38.82%，西北占比7.06%，华南占比20.00%，华东占比24.71%，西南占比9.41%。

1.2 数据分析方法

采用SPSS软件进行数据汇总和统计分析[7]；采用SPSS神经网络预测模型对数据进行模拟，建立普通超市和大型超市的能耗预测模型[8-9]。

表3 调研数据的地域分布

1)SPSS数据统计：用于数据的初步统计汇总，以及各项指标的频率、平均值、离散度、极值分析等。

2)SPSS神经网络：多层感应器，建立能耗预测模型，以单位面积照明造价预测照明功率密度。

2 普通超市与大型超市的照明现状

通过对调研数据的SPSS分析，普通超市和大型超市基本数据的描述性统计详见表4。

表4 超市照明基本数据统计

从表4可知，我国的普通超市和大型超市的客观照明数据差异巨大。普通超市由于规模和预算原因，单位面积造价低，照明功率密度低；而大型超市造价高，照明功率密度高，商品和地面照度高。

普通超市和大型超市也有一些共同点，如期望换灯周期和显色指数等。

2.1 照明数据分布

图1～图5分别为超市和大型超市的照明数据分布，其中浅灰色代表普通超市，深灰色代表大型超市。

图1 LPD概率分布Fig.1 Probability distribution of LPD

图2 单位面积照明造价概率分布Fig.2 Probability distribution of lighting cost per unit area

图3 开敞空间照度平均值概率分布Fig.3 Probability distribution of the average illuminance in the open space

图4 典型货架位置的水平照度平均值Fig.4 Probability distribution of the average horizontal illuminance in at the typical shelf location

图5 典型货架位置的垂直照度平均值Fig.5 Probability distribution of the average vertical illuminance in at the typical shelf location

根据以上的频率分布图，普通超市各数据分布比大型超市更为集中，标准差更小，尤其是照明功率密度(LPD)和单位面积照明造价，也从侧面反映了大型超市的多样性和综合性。

2.2 照明数据分布的地域差异

由图6可以看出，普通超市的基本照明特征地域差异较小，全国各个区域都比较统一，比较明显的差别是，东北地区的照明功率密度均处于较低水平，但水平照度开敞空间照度和典型货架垂直照度都较高。

图6 照明数据的地域分布Fig.6 Geographical distribution of lighting data

大型超市地域差异较大，东部和西部的照明功率密度离散度很高，东北和西部的单位面积造价离散度很高。西部的样本中，有两项指标明显偏高，分别是LPD和单位面积照明造价。大型超市各个品牌的建筑照明标准和侧重不一，而各个地区的市场占有品牌也相异，根据《中国超市连锁零售行业分析报告》，东北部有大润发、世纪联华等超市，东部有好又多、华润万家，中部有永辉超市等，西部有人人乐、欧尚等大型超市，更有装修标准差异更大的外资企业如家乐福、伊藤洋华堂等占领着不同地区的市场，造成了各地市场的差异。

3 能耗预测模型

3.1 SPSS神经网络建模[7]

SPSS神经网络是模拟人神经元工作方式的非线性的数据建模工具，包括输入层和输出层，一个或者多个隐藏层，建模过程如下。

1)选择因子、因变量和协同变量。

研究目的是通过照明预算、照明参数预测照明能耗，所以该模型以单位面积照明造价为因子，LPD为因变量，显色指数、期望换灯周期、每日开灯时间、开敞空间水平照度平均值、典型货架位置水平照度平均值、典型货架位置垂直照度平均值为协同变量，建立多层感应器神经网络。

2)个案分区。

用于建模的数据个案数量是有限的，为建立网络、训练和评估网络的有效性，须将可用的个案分为三部分：

培训个案：用于生成算法模型，估计网络参数。

检验个案：用于跟踪错误的结果、结束训练。

支持个案：用于评估网络和比对准确度。

由于部分个案的数据缺失，因此本文采用接近70%、20%、10%的比例分配培训、检验、支持个案。

有效个案分配情况如表5～表6所示。

表5 普通超市个案处理Table 5 Processing of supermarket samples

表6 大型超市个案处理

普通超市和大型超市算法生成结果如表7所示。

3.2 残差检验

对普通超市和大型超市能耗预测模型的特征进行分析，可以发现，普通超市的能耗预测模型较为简单，准确度高，而大型超市的能耗预测模型复杂，无明显的映射关系，准确度低(见图7、图8)。这跟不同品牌的大型超市自成体系的设计模式和经营模式有关。想要更加准确地预测大型超市的能源消耗，需要进一步将其分类研究，不同地域、不同品牌定位、不同背景的大型超市会有不同的能源消耗特征。

表7 超市模型信息

图7 普通超市LPD预测残差Fig.7 LPD residual error of supermarket

图8 大型超市LPD预测残差Fig.8 LPD residual error of hypermarket

3.3 普通超市预测模型的改善和应用

由此我们针对残差较小的普通超市的预测模型进行修正，使预测值更加准确。预测模型的各自变量重要性如表8所示。

在1个因子、6个协同变量的情况下，有效样本数只有48，影响模型精确度，而基于表8，保留重要性最强的两个协同变量——开敞空间的照度平均值和典型货架位置的水平照度平均值，以及因子——单位面积照明造价，重新执行神经网络多层感知器模拟，结果见表9～表10。

表8 普通超市照明能耗预测模型中的各自变量重要性

表9 修改后的普通超市模型个案处理

表10 修改后的普通超市模型信息

修改后的模型预测正确率达到78%，三个自变量均占有较大比重(详见表11)。

表11 修改后的普通超市各自变量重要性

用该模型做出如下预测：当单位面积造价分别为10、15、20、25、30、35、40元时，预测的LPD功率见表12(协同变量值第一次根据图4和图5取普通超市中位数，即开敞空间的照度平均值取400 lx，典型货架位置的水平照度平均值取250 lx；第二次根据GB 50034—2013的标准，两个照度数字都取300 lx)。

表12 用修改后的模型预测不同造价下的能耗

在实际工程中，我们难以事先知晓一个建筑的照明能耗，超市空间的照度也只能根据设计目标和定位去估计，但在一定程度上可以根据单位面积照明造价预测照明能耗，如表12中第一次预测，取照度中位数时能耗的最低点出现在单位面积照明造价为20元的时候，而在第二次预测中，取300lx时能耗的最低点出现在单位面积照明造价为25元的时候。

4 结论

我国普通超市无论从地域性上还是从用灯类型、照度水平等方面，全国的水平比较一致，而大型超市的差异较大，具有较大的照明节能空间。特别是西部地区。

通过SPSS神经网络建立能耗预测模型，大型超市由于品牌定位的差异，较难准确预测出能耗，造价关系，而普通超市已经形成了共识性的行业标准。对于大型超市的能耗造价预测，应当根据市场定位进行细化分类研究。

通过优化普通超市的能耗预测模型，预测正确率提高到了78%，依此对标准协同变量下的不同照明造价(10/15/20/25/30/35/40)元/m2的超市空间进行预测，发现当造价在20元/m2左右时，其照明能耗相对最低。

根据表4，我国普通超市的照明造价平均值为25元，这之间的差异可以在设计阶段给商家和设计师提供参考。从地域上看，东北地区的单位面积照明造价最接近20元，相应LPD也最低，但其照明舒适性和用光合理性是后续研究需要理清的问题。

[1] 宋池,刘斐. 中国超市行业发展现状分析[J]. 经营管理者,2009,18:162.

[2] 韩英. 中国超市现状及发展[J]. 中国市场,2006,Z2:8-9.

[3] 张丙合,王海燕,王元. 超市高效照明系统——人性化照明节能设计[J]. 照明工程学报,2009,20(1):46-49.

[4] 刘雪姣. 超市内部照明对消费者的影响[J]. 商场现代化,2006,10:189.

[5] 杨群标. 浅谈大型商场和超市的照明与节能//《IT时代周刊》2013年度论文集[C].2013:3.

[6] 郑仕群. 大型超市照明系统设计[J]. 现代建筑电气,2011,1:34-36.

[7] 丁雪梅,徐向红,邢沈阳,等. SPSS数据分析及Excel作图在毕业论文中的应用[J]. 实验室研究与探索,2012,3:122-128.

[8] 孙逸敏.利用SPSS软件分析变量间的相关性[J].新疆教育学院学报，2007，2：120-123.

[9] JORDAN D K. Building energy data book:Department of Energy[EB/OL].(2016-10-18)[2011-11-09].http://buildings dactabook.eren.doe.gov.

Researches on the Lighting Status and the Predicting Model of Energy Consumption of Chinese Supermarket and Hypermarket

LI Jiayu1，ZHANG Xin1，ZHANG Yutao2

(1.SchoolofArchitecture,TsinghuaUniversity,Beijing100084,China; 2.GuangdongSanxiongJiguangLimitedCompany,Guangzhou511495,China)

In China, the lighting energy consumption takes the biggest part in the whole architecture energy consumption of supermarkets and hypermarkets. There are distinct differences as well as common characteristics between the lighting features of supermarket and hypermarket in China. This thesis analyzed their lighting status and made a predicting model for the energy consumption, thus providing data support for the effective methods of improving the lighting quality, reducing the energy consumption, and optimizing human feelings in the supermarket and hypermarket.

lighting power density; lighting cost per unit area; the illuminance in the open space; the illuminance at the typical shelf location; lighting energy consumption； the prediction model

国家自然科学基金面上项目(51478236)；亚热带重点实验室开放基金(2015ZB14)

TU113.19+1

A

10.3969/j.issn.1004-440X.2017.01.007